La congelación de la marcha (FOG) es una discinesia paroxística, común en pacientes con enfermedad de Parkinson avanzada (PD). Es una causa importante de caídas en pacientes con PD y está asociada con discapacidades graves. En este estudio, implementamos un novedoso sistema de detección de FOG utilizando tecnología de aprendizaje profundo. El sistema toma señales de aceleración de múltiples canales como entrada, utiliza una red neuronal convolucional profunda unidimensional para aprender automáticamente representaciones de características, y utiliza una red neuronal recurrente para modelar las dependencias temporales entre las activaciones de características. Con el fin de mejorar el rendimiento de detección, introdujimos bloques de squeeze-and-excitation y un mecanismo de atención en el sistema, y utilizamos la ampliación de datos para eliminar el impacto de conjuntos de datos desequilibrados en el entrenamiento del modelo. Los resultados experimentales muestran que, en comparación con los mejores resultados anteriores, la sensibilidad y la especificidad obtenidas en la evaluación de validación cruzada de 10 pliegues aumentaron en 0.017 y 0.045, respectivamente, y la tasa de error igual obtenida en la evaluación de validación cruzada de dejar un sujeto fuera disminuyó en 1.9%. El tiempo de detección de un segmento de datos de 256 es solo de 0.52 ms. Estos resultados indican que el sistema propuesto tiene una alta eficiencia operativa y un excelente rendimiento de detección, y se espera que se aplique a la detección de FOG para mejorar la automatización del diagnóstico y tratamiento de la enfermedad de Parkinson.